作者：产品杰哥
互联网行业里，“数据思维”常被提及，比如在某些产品或运营岗位的招聘说明上，会要求应聘者具备数据思维；比如面试过程中，面试官经常会就数据问题展开追问；比如大厂的晋升答辩，在对候选人能力模型进行评估时，经常会有数据思维或数据能力项的评估。
具备数据思维是个挺重要的事，但数据思维到底是什么？以及要做些什么怎么才算具备？听起来就很抽象，好像一直也缺乏明确的答案。
下面结合我的一些从业经历和思考，说下我对数据思维的理解，以及有哪些方法能帮助提升数据思维，希望尽量能说的接地气一些。
数据思维的内核，是通过数据来帮助看清楚问题，进而提升决策质量，本质上是一种在互联网时代比较好用的思维方法或者工作方法。
那么，如何具备数据思维？可以拆成3步：建设数据、解读数据和运用数据。
1）建设数据
评估一个事做的怎么样，最直接有效的方式，就是通过一张数据表量化来看，这样更容易达成共识。
比如电商业务，常见的一些大指标，收入、流量、转化率、客单价这些，就是业务层面的重要指标，一般是由业务或者商业分析负责人来建设，通过日会或周会机制观察数据变化和解读业务进展，随着业务不断发展，指标数量也越来越多。
同样的，具体到个人，也需要有意识地用数据来评估自己的工作，这个就是具备数据思维的第一步。
有了意识，还需要能力，自己建一张数据表，有时候并不是件容易的事，一般会遇到两个难点，一个是想不清楚用什么指标来评估，另一个是想清楚了指标但是取不出来数。
先说第一个，想不清楚用什么指标来评估，背后的深层问题是对于业务逻辑的理解不够，因为从本质上来说，数据指标是业务逻辑的一种显性化表达。那么，要怎么理解业务逻辑呢？总结来说要做两件事，一个是理解全局业务逻辑，另一个是理解个人工作方向和全局业务逻辑的关系。
举个例子，比如业务全局看用户增长，A同学负责新客增长，A同学需要理解全局用户增长的业务逻辑，除了新客增长还有老客增长；同时也需要理解自身负责的新客增长和全局用户增长的关系，即新客增长是全局用户增长的一部分。此外，业务全局指标关注交易用户数，A同学关注交易新客数，指标就是业务逻辑的自然延伸。
当然，这是个最极端最简单的例子，具体到实际情况会复杂很多，但万变不其宗，本质是要有这个思考问题的视角，这也说明，数据思维的底层，有一部分是业务思维，这个是数据思维的第二步，即充分理解业务逻辑，知道看什么指标。
如果想清楚了看什么指标，理论上就可以按照逻辑去取数出数了，这个时候有可能出现第二个难题：取数难，常见于某些线下场景比较重的业务，因为没有线上化导致就没有数，如果非得要出数，可能还有前置的大量基建工作要做，很多人会在这个时候选择放弃算了。
这个时候就非常考验决心了，如果认定是长期的重要指标，正确的做法是再困难也得做，这个是数据思维的第三步。
过往我自己实际工作中就数次碰到过这个问题，听公司某个大佬说，你衡量什么，就得到什么。你无法衡量，就压根不知道发生了什么。也只有观测，才知道发生了什么，要改善什么。
如果想清楚了指标，也能顺利取数，那么建设数据的工作也就做完了。
总结来看，这个环节的数据思维，并不是取数建表这些技能项，而是知道该用数据评估工作，深刻地理解业务逻辑来帮助判断用什么指标来评估，并且坚定地克服困难去推进数据建设。
2）解读数据
建设完数据后，下一步就是解读数据了，即通过数据表现来看清事情的进展和问题，比如目标完成的怎么样，哪里做的好，哪里做的不好等等。
这个环节的数据思维体现，主要是以下3点：
第一个是“看的多”，这是个容易被忽视的基本功，数据看的越多，理解才会深刻，大到一个业务，可能会有日会周会这样的机制来看解读数据，小到个人，也需要主动对自己负责的方向或项目进行高频次的数据解读，这是个日常要做逐步积累的事，不是汇报前临阵磨枪的事。
第二个是“看的深”，不仅是看数据表现，更要看到数据背后所传递出的深层信息，怎么看到深层信息？比较常用的有找锚点，找因果，做细分三个方法：
首先是找锚点，就是给数据表现找“参考线”，一类跟设定的目标比，比如目标完成率达到多少，另一类是跟自己的过去比，同比环比多少等。
其次是找因果，如果做的好，是哪里好，做的不好，又是哪里有问题。数据只是一个结果，是输出，因的部分才是输入，也只有明确了因果关系，才能为下一步调整提供基础。
当然，这个因，有可能是天气、政策等不可控的外部因素，也有可能是可控的运营要素如补贴、投放导致，但不管怎样，都先要看清楚“因”，然后去调整可控的“因”。
最后是做细分，从周看到天再看到小时，从全国看到省看到城市，从用户看到新老客再看到更细用户分层表现，是随着业务发展把事情看的更细的一个过程。
举个例子，某天订单涨幅达到30%需要去解读，它可能的解读问题如下：
-
30%订单涨幅是否达成预期？这个问题是在找锚点；
-
是节假日带来的需求变化，是流程优化带来的体验变化，还是补贴的带来的变化？这是在找因果；
-
30%的订单，所对应的新老客用户结构发生了什么变化？流量和转化分别发生了什么变化？这是在做细分。
第三个是“记得住”，解读数据后，会有些确定的结论，也会有些模棱两可的事情还有待继续去验证，这个时候要尽量把重要的显性结论明确提炼出来，并且记得住。经常会出现一个问题，就是大家一通讨论后，感觉好像都收获了很多信息，但仔细一问发现并没有啥明确的结论，也没有人记住了啥。
除此之外，当某些数据所体现的结论并不显性，可能只是个推测时，还需要配合做些用户调研用于夯实结论。
3）运用数据
解读数据后，如果有了清晰的结论，下一步就是利用这些结论帮助决策了，这是数据思维的最终价值所在，不仅是带来认知层面的变化，更多的收益是在指导行动上。这个环节的数据思维体现，就是运用数据来提升决策质量。
当然，也会存在很多时候并没有明确结论，也很难指导下一步行动，建设数据、解读数据本身也是一个需要持续迭代的事。
除帮助决策之外，这个环节还有个重要的事，在对外的汇报文档、晋升文档等书面材料上，要把数据做充分的展示，重要的结论项一定需要数据来支撑。有数据的材料不一定是好材料，但没有数据的材料一定不是好材料。
以上，就说完了三个环节所需要具备的数据思维，简单总结为以下8点：
第一，有意识地通过数据来评估自己的工作；
第二，通过充分理解业务逻辑，明确评估指标；
第三，认定是长期重要的指标，排除万难也要取到数；
第四，要看得多，将看数作为平时的基本功去对待；
第五，要看得深，看到数据背后所传递出的深层信息，日积月累逐步精进；
第六，要提炼和记住关键的数据结论；
第七，运用数据结论，提升决策质量；
第八，对外的汇报材料要做充分的数据展示。
如果能坚持做到这8点，大概率会在很多工作场景发生以下变化：
决策质量更高了，事情更容易做对，更容易拿到结果；
汇报材料里能充分展示数据，会议更高效，更容易通过评审拿到资源；
跟老板抽烟或者闲聊时，老板突然问到，最近某个项目怎么样啊？不再是支支吾吾，而是能快速清晰的说出关键结论和支撑结论的数据，更容易得到领导的认可；
晋升答辩的时候，当评委问到工作目标指标是什么，为什么是这些指标等类似问题时，能给出较为清晰的回答；
面试的时候，面试官询问到数据相关的问题时，不太会出现大面的硬伤。
